تشكل الصور بالموجات فوق الصوتية للثدي (Breast Ultrasound Imaging) أداة حيوية في الكشف المبكر عن سرطان الثدي، وخاصة للمرضى ذوي الأنسجة الثدية الكثيفة. لكن تصميم نماذج التعلم العميق (Deep Learning) القابلة للاعتماد لتحليل الأشعة السينية يمثل تحديًا كبيرًا، بسبب نقص البيانات الطبية المشروحة والحاجة إلى توقعات قابلة للتفسير.

تناولت الورقة البحثية الجديدة المعنونة بنموذج ProtoCAM هذه التحديات، حيث قدمت إطار تعلم قابل للتفسير باستخدام منهجية التعلم القليل (Few-Shot Learning) لتصنيف الأورام الثديية. يعتمد الإطار الجديد على دمج تشفير الميزات الموجهة بواسطة الأقنعة (Mask-Guided Feature Encoding)، والتعلم المترادف للبروتوكولات (Prototypical Metric Learning)، والتفسيرات المرئية المبنية على التدرجات (Gradient-Based Visual Explanations).

تستفيد طريقة ProtoCAM من أقنعة الأورام في توجيه استخراج الميزات، وتبني نماذج للصنف داخل فضاء التضمين لتمكين التصنيف القوي حتى مع عدد محدود من عينات التدريب. تم تقييم الإطار باستخدام مجموعة بيانات BUSI عبر بروتوكول تقسيم تدريجي مُتعدد المجموعات لضمان عدم تسرب بيانات المرضى.

أظهرت نتائج التجارب أداءً استثنائيًا لنموذج ProtoCAM في السيناريوهات ذات البيانات القليلة. في إعداد 3-طريقة مع 5 عينات، حققت الطريقة المقترحة معدل F1 العام يصل إلى 0.910، مما يعني تحسينًا كبيرًا مقارنةً بنماذج الشبكات العصبية التقليدية. من بين الشبكات المعتبرة، حققت شبكة ResNet18 أداءً متميزًا حيث وصلت إلى معدل F1 العام يبلغ 91.65% تحت إعداد 15 عينة، موفرةً رؤى قابلة للتفسير حول قرارات التصنيف.

تشير هذه النتائج إلى إمكانية استخدام أطر العمل القابلة للتفسير في تعلم القليل لتشخيص سرطان الثدي بدقة، حتى في بيئات التصوير الطبي ذات البيانات المحدودة. هل تشعر أن هذه التقنية ستغير مجرى تشخيص سرطان الثدي؟ شاركونا آرائكم في التعليقات!